- 博客(38)
- 收藏
- 关注
原创 sorting
SORTING75. Sort Colors912. Sort an Array快排int[] sort(int[] nums){ //先进入可循环迭代的quickSort quickSort(nums, 0, nums.length-1); return nums;}void quickSort(int[] nums, int start, int end){ if(start<end){//迭代条件 //找到pivot, 划分为两部分,分开迭代 int pivot =
2022-05-05 11:25:59
267
原创 LeetCode滑动窗口
3. 无重复字符的最长子串用一个HashMap存储<字符,下标>对,每次右边界右移时检查map里是否有新增字符;如果有,判断之前出现的位置是否在滑动窗口内,即检查上次出现的位置+1与左边界;若小于左边界则不在滑动窗口内。每次循环更新最大长度,右边界,map567. 字符串的排列首先判断母串是否比子串长。count数组记录滑动窗口内字符频率与子串字符频率的关系,count清零即为找到。边界移动时更新左边界处的消失字符...
2022-03-01 18:22:12
113
原创 22.02.22 LeetCode双指针
977. Squares of a Sorted Array前后同时找绝对值最大的189. Rotate Array
2022-02-23 23:09:47
108
原创 22.02.21 LeetCode二分法
LeetCode704 Binary Search两种思路:左闭右闭,左闭右开细节: mid = left + (right - left)/2; //防止left right过大相加溢出int左闭右闭[left, right]左右边界都在查找范围内public int BinarySearch(int []nums, int target){ int left = 0, right = nums.length - 1; while(left <= right){ //left==rig
2022-02-21 23:53:38
91
原创 golang01
这里写自定义目录标题语言结构语言结构{ 不能单独在一行标识符开头大写–导包后包外可用-- public标识符开头小写–包外不可见-- protected
2021-08-13 13:03:21
82
原创 subgraph neural networks论文笔记
INFOGRAPH: UNSUPERVISED AND SEMI-SUPERVISED GRAPH-LEVEL REPRESENTATION LEARNING VIA MU- TUAL INFORMATION MAXIMIZATIONWatch Your Step: Learning Node Embeddings via Graph AttentionWatch Your Step:Learning Node Embeddings via Graph Attention自动化选择网络表示学习的参.
2021-08-01 22:11:25
936
原创 论文笔记:SubRank: Subgraph Embeddings via a Subgraph Proximity Measure2020PAKDD
Related Worknode embedding将节点表示为含有位置信息的低维向量subgraph embedding嵌入更大的结构:paths, 任意子图,motifs, communitiesGraph embeddingFeature Learning FrameworkPageRank
2021-07-29 21:22:42
275
原创 2019IJCAI
R(g)— set of reviewers in a group gP(g)— set of target products reviewed by the reviewers in R(g).Each reviewer i reviewed a set of products PiP_iPi
2021-07-14 13:52:31
122
原创 Group Anomaly04
Follow Up马尔科夫随机场马尔科夫符号网络一句话说明就是网络中每条边带了positive 或 negative sign的图。解读解读1解读2pptREV2: Fraudulent User Prediction in Rating Platforms作者提出三种相互依赖的度量属性:用户公正性、评价可靠性以及产品优劣性。直观地说,如果用户提供了接近产品优劣性分数的评价分数,那么他就是公平的。文中使用六个原理来建立分数之间得依赖性,解决cold start problem并加入了be
2021-07-03 20:15:22
599
原创 Group Anomaly Detection03
Related work2 stages: group discovery and anomaly detectionstatic graphMGM:Latent Dirichlet Allocation: word–>topic–>documentgroup: mix of Gaussian distributed topics; exist the best mixture ratediscriminative approache:kernel embedding of pro
2021-06-18 16:51:27
240
原创 java面试
GC机制垃圾回收GCHashMapHashMap面试HashMap HashTable区别CurrentHashMap线程安全线程池java线程池线程池hashcodehashcode equal()4、为什么equals()相等,hashCode就一定要相等,而hashCode相等,却不要求equals相等?因为是按照hashCode来访问小内存块,所以hashCode必须相等。HashMap获取一个对象是比较key的hashCode相等和equals为true。之所以has
2021-06-09 13:41:16
70
原创 Group Anomaly02
Multiple identity deception detection(sockpuppets)Multiple identities detection in online social mediaWho Are Controlled by The Same User? Multiple Identities Deception Detection via Social Interaction Activity(aaai2020)highlight:interaction tree–>
2021-06-05 16:36:14
229
1
转载 C++面试准备
深拷贝与浅拷贝浅拷贝:默认拷贝构造函数问题:当有指针时,析构两次,指针悬浮深拷贝:在内存中另外申请空间来存储数据构造和析构顺序构造:先父后子析构:相反new/malloc属性:new是关键字,需要编译器支持;malloc是库函数,需要头文件支持参数:new不需要显式指明大小,malloc需要显式指明大小返回类型:分配成功后new返回对象类型的指针,malloc返回void*,需要类型转换失败:new失败了抛出异常,malloc失败了返回null重载:new/delete可以重
2021-06-02 14:49:06
101
转载 面试-项目复盘
停车场管理系统分为建造者模式、用户模式、管理员模式建造者:修改计费方式,修改免费时间,查看车辆,记录车辆状态,僵尸车信号和槽机制Qt最明显区别于其它开发框架的特征:信号和槽面向对象—对象间消息传递c++回调函数:不易理解,不直观, 回调函数和处理函数紧密耦合,源于处理函数必须知道哪一个函数被回调信号-槽:命令-执行信号:声明用signals(只能public,moc自动实现), 发送用emit槽:函数连接:connect()格式:QObject::connect(发送方, SI
2021-05-31 21:25:21
207
转载 软件工程-面试
工厂模式简介好处:增加了创建对象时的封装层次。如果你使用工厂来创建对象,之后你可以使用更高级和更高性能的实现来替换原始的产品实现或类,这不需要在调用层做任何修改。简单工厂模式:工厂、抽象产品、具体产品一个工厂类,封装子类的创建,根据传入参数创建不同的实例。适用场景:(1)需要创建的对象较少。(2)客户端不关心对象的创建过程。工厂方法模式每个子类有对应的工厂类,实例化具体哪个类延迟到子类实现。适用场景:(1)客户端不需要知道它所创建的对象的类。例子中我们不知道每个图片加载器具体叫什么名,.
2021-05-30 15:56:20
165
转载 计算机网络-面试
HTTP/HTTPS一次完整的HTTP请求步骤:1 对www.baidu.com这个网址进行DNS域名解析,得到对应的IP地址2 根据这个IP,找到对应的服务器,发起TCP的三次握手3 建立TCP连接后发起HTTP请求4 服务器响应HTTP请求,浏览器得到html代码5 浏览器解析html代码,并请求html代码中的资源(如js、css、图片等)(先得到html代码,才能去找这些资源)6 浏览器对页面进行渲染呈现给用户7 服务器关闭关闭TCP连接http格式请求报文:请求.
2021-05-30 15:56:02
112
转载 操作系统-面试
操作系统并发:同时运行多个程序—进程和线程并行:同时运行多个指令进程状态:由于进程的不断创建,系统资源特别是主存资源已不能满足所有进程运行的要求。这时,就必须将某些进程挂起,放到磁盘对换区,暂时不参加调度,以平衡系统负载;进程挂起的原因可能是系统故障,或者是用户调试程序,也可能是需要检查问题。线程状态:New:新创建的线程,尚未执行;Runnable:运行中的线程,正在执行run()方法的Java代码;Blocked:运行中的线程,因为某些操作被阻塞而挂起;Waiting:运行
2021-05-30 15:55:40
106
原创 21/05/24学习记录
工厂模式简介好处:增加了创建对象时的封装层次。如果你使用工厂来创建对象,之后你可以使用更高级和更高性能的实现来替换原始的产品实现或类,这不需要在调用层做任何修改。简单工厂模式:工厂、抽象产品、具体产品一个工厂类,封装子类的创建,根据传入参数创建不同的实例。适用场景:(1)需要创建的对象较少。(2)客户端不关心对象的创建过程。工厂方法模式每个子类有对应的工厂类,实例化具体哪个类延迟到子类实现。适用场景:(1)客户端不需要知道它所创建的对象的类。例子中我们不知道每个图片加载器具体叫什么名,.
2021-05-24 09:24:31
114
原创 21/05/21学习记录
Pattern, matcher 正则式匹配基本使用安卓Pattern Matcher具体判断jsonui线程只能主线程更新,安卓UI线程不安全。解决:handler安卓UI线程面试ui线程HttpUtils
2021-05-21 11:15:08
52
原创 Deep SAD论文学习
核函数:核函数设X是输入空间(欧氏空间或离散集合),Η为特征空间(希尔伯特空间)。存在一个从X到Η的映射ϕ(x)\phi(x)ϕ(x),使得函数K(x,z)=<ϕ(x),ϕ(z)>K(x,z)=<\phi(x),\phi(z)>K(x,z)=<ϕ(x),ϕ(z)>映射函数:ϕ(x)\phi(x)ϕ(x), 核函数K(x,z)=<ϕ(x),ϕ(z)>K(x,z)=<\phi(x),\phi(z)>K(x,z)=<ϕ(x),ϕ(z)&..
2021-05-20 21:02:57
1490
原创 21/05/11学习日志
并发:同时运行多个程序—进程和线程并行:同时运行多个指令进程状态:由于进程的不断创建,系统资源特别是主存资源已不能满足所有进程运行的要求。这时,就必须将某些进程挂起,放到磁盘对换区,暂时不参加调度,以平衡系统负载;进程挂起的原因可能是系统故障,或者是用户调试程序,也可能是需要检查问题。线程状态:New:新创建的线程,尚未执行;Runnable:运行中的线程,正在执行run()方法的Java代码;Blocked:运行中的线程,因为某些操作被阻塞而挂起;Waiting:运..
2021-05-11 16:50:45
88
原创 21/05/07 笔记
1、安卓四大组件:四大组件详解Activity生命周期(正常、异常)ServiceBindUnbindContentProviderBroadcastReceiver2、Fragment3、Intent: 意图本身(一个 Intent 对象)是一个被动的数据结构,保存着要执行操作的抽象描述显示启动隐式启动4、Bundle和Intent:如果需要传递的数据比较多,还是用Bundle来存储数据比较好。毕竟人家是专门做这个的。还有一个好处就是,如果您在ABC三个页面中传值且
2021-05-07 15:26:14
73
原创 Ng深度学习笔记--序列模型--循环神经网络(RNN)
Why sequence models序列模型能够应用在许多领域,例如:语音识别音乐发生器情感分类DNA序列分析机器翻译视频动作识别命名实体识别这些序列模型基本都属于监督式学习,输入x和输出y不一定都是序列模型。如果都是序列模型的话,模型长度不一定完全一致。Notation下面以命名实体识别为例,介绍序列模型的命名规则。示例语句为:Harry Potter and Hermione Granger invented a new spell.该句话包含
2020-12-06 21:32:23
365
原创 Ng深度学习-卷积神经网络基础-人脸识别与神经风格迁移
人脸识别首先简单介绍一下人脸验证(face verification)和人脸识别(face recognition)的区别。人脸验证:输入一张人脸图片,验证输出与模板是否为同一人,即一对一问题。人脸识别:输入一张人脸图片,验证输出是否为K个模板中的某一个,即一对多问题。一般地,人脸识别比人脸验证更难一些。因为假设人脸验证系统的错误率是1%,那么在人脸识别中,输出分别与K个模板都进行比较,则相应的错误率就会增加,约K%。模板个数越多,错误率越大一些。One Shot LearningO
2020-11-29 21:07:36
267
原创 Ng深度学习笔记-卷积神经网络-目标检测
目标定位符号表示:图片左上角的坐标为(0,0)(0,0)(0,0),右下角标记为(1,1)(1,1)(1,1)。红色方框的中心点(bxb_{x}bx,byb_{y}by),边界框的高度为bhb_{h}bh,宽度为bwb_{w}bw。因此训练集不仅包含神经网络要预测的对象分类标签,还要包含表示边界框的这四个数字,接着采用监督学习算法,输出一个分类标签,还有四个参数值,从而给出检测对象的边框位置。如何为监督学习任务定义目标标签 yyy:这有四个分类,神经网络输出的是这四个数字和一个分类标签
2020-11-29 20:39:59
233
原创 Ng深度学习笔记——卷积神经网络基础
卷积神经网络计算机视觉(Computer vision)边缘检测示例(Edge detection example)Padding卷积步长(Strided convolutions)三维卷积(Convolutions over volumes)单层卷积网络(One layer of a convolutional network)池化层(Pooling layers)计算机视觉(Computer vision)一般计算机视觉的问题:图片分类Image Classification目标识别Ob
2020-11-08 20:12:11
312
原创 Ng深度学习笔记 机器学习策略(上)
机器学习(ML)策略正交化(Orthogonalization)单一数字评估指标满足和优化指标(Satisficing and optimizing metrics)训练/开发/测试集划分(Train/dev/test distributions)开发集和测试集的大小(Size of dev and test sets)什么时候该改变开发/测试集和指标?(When to change dev/test sets and metrics)为什么是人的表现?可避免偏差(Avoidable bias)理解人的表现
2020-11-01 21:14:52
262
1
原创 Ng深度学习笔记 超参数调试和Batch正则化
超参数调试与batch正则化调试处理(Tuning process)为超参数选择合适的范围(Using an appropriate scale to pick hyperparameters)超参数调试的实践归一化网络的激活函数将 Batch Norm 拟合进神经网络(Fitting Batch Norm into a neural network)Batch Norm 为什么奏效?测试时的 Batch Norm(Batch Norm at test time)Softmax 回归(Softmax reg
2020-10-23 16:25:41
239
原创 Ng深度学习笔记 改善深层神经网络 优化算法
优化算法Mini-batch 梯度下降(Mini-batch gradient descent)理解mini-batch梯度下降法(Understanding mini-batch gradient descent)指数加权平均数(Exponentially weighted averages)指数加权平均的偏差修正(Bias correction in exponentially weighted averages)Mini-batch 梯度下降(Mini-batch gradient descent)
2020-10-19 10:27:47
207
原创 Generalized Zero-Shot Learning with Deep Calibration Network阅读笔记
摘要深度学习的一个技术挑战是在没有可见数据的情况下识别目标类。ZS学习利用诸如属性或类原型之类的语义表示来连接源类和目标类。现有的标准零射学习方法由于对目标类的语义表示视而不见,容易对源类的可见数据进行过拟合。本文研究了广义零射击学习,即假设训练过程中目标类对未知数据可访问,并通过搜索源类和目标类对未知数据进行预测。我们提出了一种新的深度校准网络(DCN)方法来实现这种广义零射学习范式,它可以根据源类的可信度和目标类的不确定性同时校准深层网络。我们的方法将图像的视觉特征和类原型的语义表示映射到一个公共的嵌
2020-10-14 19:41:48
775
1
转载 Ng深度学习 改善深层神经网络 深度学习的实践层面
深度学习的实践层面1.1 训练,验证,测试集偏差,方差(Bias /Variance)机器学习基础1.1 训练,验证,测试集假设这是训练数据,我用一个长方形表示,我们通常会将这些数据划分成几部分,一部分作为训练集,一部分作为简单交叉验证集,有时也称之为验证集,方便起见,我就叫它验证集(dev set),其实都是同一个概念,最后一部分则作为测试集。接下来,我们开始对训练集执行算法,通过验证集或简单交叉验证集选择最好的模型,经过充分验证,我们选定了最终模型,然后就可以在测试集上进行评估了,为了无偏评估算法
2020-10-11 21:18:52
252
转载 Ng深度学习笔记 深层神经网络
深层神经网络前向传播和反向传播(Forward and backward propagation)核对矩阵的维数(Getting your matrix dimensions right)搭建神经网络块(Building blocks of deep neural networks)超参数前向传播和反向传播(Forward and backward propagation)前向传播的步骤可以写成: z[l]=W[l]⋅a[l−1]+b[l]{z}^{[l]}={W}^{[l]}\cdot{a}^{[l-
2020-10-11 20:58:29
95
原创 Ng深度学习笔记 浅层神经网络
浅层神经网络神经网络概述(Neural Network Overview)![在这里插入图片描述](https://img-blog.csdnimg.cn/20201010210527648.png#pic_center)神经网络的表示神经网络概述(Neural Network Overview)把许多sigmoid单元堆叠起来形成一个神经网络。神经网络的表示例子只有一个隐藏层:隐藏层只是表示你无法在训练集中看到他们。aaa表示激活的意思,它意味着网络中不同层的值会传递到它们后面的层中,输入
2020-10-11 20:23:27
134
转载 Ng深度学习笔记 神经网络编程基础
神经网络编程基础二分类(Binary Classification)如何将训练样本(输入向量XXX的集合)表示为一个矩阵逻辑回归Hypothesis Function(假设函数)。代价函数梯度下降法(Gradient Descent)逻辑回归中的梯度下降(Logistic Regression Gradient Descent)单个样本,两个特征m 个样本的梯度下降(Gradient Descent on m Examples)向量化逻辑回归向量化 logistic 回归的梯度输出(Vectorizing
2020-10-10 21:02:18
232
转载 Ng机器学习笔记 神经网络
神经网络非线性假设模型的表示前向传播算法( FORWARD PROPAGATION )向量化特征和直观理解单层神经元的计算表示逻辑运算逻辑与(AND)OR函数二元逻辑运算符多类分类代价函数非线性假设之前学的缺点:特征太多时,计算的负荷大。普通的逻辑回归模型,不能有效地处理很多特征。模型的表示前向传播算法( FORWARD PROPAGATION )类似于神经元的神经网络:x1x_1x1, x2x_2x2, x3x_3x3:输入单元(input units),原始数据输入。a1a_1
2020-10-04 20:55:38
211
转载 Ng机器学习笔记 逻辑回归
分类问题在分类问题中,要预测的变量是离散的值—逻辑回归 (Logistic Regression)二元的分类问题:将因变量(dependent variable)可能属于的两个类分别称为负向类(negative class)和正向类(positive class),则因变量y∈{0,1}y \in \{ 0,1 \}y∈{0,1} ,其中 0 表示负向类,1 表示正向类。假说表示根据线性回归模型我们只能预测连续的值,然而对于分类问题,我们需要输出0或1,我们可以预测:当hθ(x)>=0.5
2020-09-27 19:18:56
114
转载 Ng机器学习笔记 线性回归
Ng机器学习笔记 线性回归线性回归(Linear Regression with)模型表示代价函数梯度下降梯度下降的线性回归多维特征梯度下降法实践1-特征缩放PS: 正规方程梯度下降法与正规方程的比较线性回归(Linear Regression with)从单变量到多变量模型表示mmm 代表训练集中实例的数量xxx 代表特征/输入变量yyy 代表目标变量/输出变量(x,y)\left( x,y \right)(x,y) 代表训练集中的实例(x(i),y(i))({{x}^{(i)}},{{y
2020-09-25 21:12:40
140
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人